CN116543309A - 一种作物异常信息获取方法、系统、电子设备及介质 - Google Patents

一种作物异常信息获取方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116543309A
CN116543309A CN202310768387.4A CN202310768387A CN116543309A CN 116543309 A CN116543309 A CN 116543309A CN 202310768387 A CN202310768387 A CN 202310768387A CN 116543309 A CN116543309 A CN 116543309A
Authority
CN
China
Prior art keywords
abnormal
abnormal position
image
determining
crop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310768387.4A
Other languages
English (en)
Other versions
CN116543309B (zh
Inventor
胡炼
张强志
罗锡文
庄剑威
何杰
汪沛
黄培奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN202310768387.4A priority Critical patent/CN116543309B/zh
Publication of CN116543309A publication Critical patent/CN116543309A/zh
Application granted granted Critical
Publication of CN116543309B publication Critical patent/CN116543309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明公开一种作物异常信息获取方法、系统、电子设备及介质，涉及智慧农业领域，方法包括获取无人机传输的农田高空垂直影像；利用分类器识别所述农田高空垂直影像的异常像素点；利用图像处理算法根据所述异常像素点确定异常位置；利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。本发明能实现自主高效获取作物异常位置的异常信息。

Description

一种作物异常信息获取方法、系统、电子设备及介质
技术领域
本发明涉及智慧农业领域，特别是涉及一种作物异常信息获取方法、系统、电子设备及介质。
背景技术
无人农场的发展建设主要涉及到“耕种管收”四个环节，随着无人机技术的发展和普及，无人机在农业管理中得到越来越多的应用（如病虫草害监测），极大地提高了农业管理的效率。然而，无人机的效率和分辨率是两个对立指标，如果飞得高则效率高，但分辨率低，反之，飞得低则分辨率高，但效率低。在病虫草害监测中，人工方式是先远观确定异常位置，然后再近看确定是何种异常。
据调研，判断“何种异常”目前已有较多人工智能的方法，但均依赖于高分辨率图像，而无人机自主地获取异常作物高分辨率图像目前还没有现成的方法或系统。
发明内容
本发明的目的是提供一种作物异常信息获取方法、系统、电子设备及介质，以实现自主高效获取作物异常位置的异常信息。
为实现上述目的，本发明提供了如下方案：
一种作物异常信息获取方法，包括：
获取无人机传输的农田高空垂直影像；
利用分类器识别所述农田高空垂直影像的异常像素点；
利用图像处理算法根据所述异常像素点确定异常位置；
利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；
根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。
可选地，利用图像处理算法根据所述异常像素点确定异常位置，具体包括：
对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像；
利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数；
根据所述窗口内异常像素点个数确定二维矩阵；
以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
可选地，利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标，具体包括：
根据无人机飞行高度和相机参数计算地面采样距离；
根据所述地面采样距离和所述异常位置计算影像坐标系下异常位置坐标；所述影像坐标系以影像中心为原点；
根据云台航偏角和所述影像坐标系下异常位置坐标计算北东坐标系下异常位置坐标；所述北东坐标系以影像中心为原点；
根据影像中心的地理坐标和所述北东坐标系下异常位置坐标计算异常位置地理坐标。
可选地，所述农田高空垂直影像中无人机的飞行高度大于所述异常位置低空的异常信息中无人机的飞行高度。
可选地，所述农田高空垂直影像中无人机的飞行高度为18m。
可选地，所述异常位置低空的异常信息中无人机的飞行高度为2m。
本发明还提供一种作物异常信息获取系统，包括：
获取模块，用于获取无人机传输的农田高空垂直影像；
识别模块，用于利用分类器识别所述农田高空垂直影像的异常像素点；
异常位置确定模块，用于利用图像处理算法根据所述异常像素点确定异常位置；
异常位置地理坐标确定模块，用于利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；
控制模块，用于根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。
可选地，异常位置确定模块具体包括：
滤波单元，用于对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像；
二值图像遍历单元，用于利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数；
二维矩阵确定单元，用于根据所述窗口内异常像素点个数确定二维矩阵；
二维矩阵遍历单元，用于以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明获取无人机传输的农田高空垂直影像；利用分类器识别所述农田高空垂直影像的异常像素点；利用图像处理算法根据所述异常像素点确定异常位置；利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。通过农田高空垂直影像得到异常位置地理坐标，从而控制无人机获取异常位置低空的异常信息，进行实现自主高效获取作物异常位置的异常信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为作物异常信息获取系统示意图；
图2为作物异常信息获取方法工作流程图；
图3为18m垂直影像；
图4为二值图像；
图5为放大后的二值图像；
图6为定位窗口示意图；
图7为放大后定位窗口；
图8为足球场标定板；
图9为2m垂直影像；
图10为放大后2m垂直影像；
图11为误差说明图；
图12为解算异常位置地理坐标示意图；
图13为作物异常信息获取方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种作物异常信息获取方法、系统、电子设备及介质，以实现自主高效获取作物异常位置的异常信息。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明采用机器学习、图像处理和航空摄影测量等技术，实现无人机自主高效获取作物病虫草害等异常位置“低空”高精度异常信息，从而为后续处理识别提供数据。此发明为无人农场基于无人机的自主高效管理提供了技术支持，属于智慧农业领域。在病虫草害监测中，人工方式是先远观确定异常位置，然后再近看确定是何种异常。本发明首先从“高空”高效地巡田并获取垂直影像（远观），然后使用机器学习技术和图像处理技术找出异常位置，使用航空摄影测量技术解算出地理坐标，根据地理坐标获取“低空”高精度异常信息（近看）。如图13所示，本发明提供的一种作物异常信息获取方法，包括：
步骤101：获取无人机传输的农田高空垂直影像。无人机获取农田高空垂直影像（远观），飞行高度要保证影像能够区分出作物叶片的轮廓和颜色，即地面采样距离（GSD）合适。
步骤102：利用分类器识别所述农田高空垂直影像的异常像素点。机器学习算法以像素值等为特征训练分类器（SVM、BPNN等），并将影像中异常像素点识别出来，从而得到二值图像。
步骤103：利用图像处理算法根据所述异常像素点确定异常位置。
步骤103，具体包括：对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像；利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数；根据所述窗口内异常像素点个数确定二维矩阵；以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
具体为，对上述二值图像进行滤波，将零散的异常点（噪点）滤除；以较小面积、一定重叠率的正方形滑动窗口对二值图像进行遍历，并统计窗口内异常像素点个数，得到二维矩阵；设置阈值（若窗口内异常像素点数超过此阈值，则为异常窗口），为寻找到最显著的异常位置并避免重复，以邻域方式对上述二维矩阵进行遍历，若邻域内最大值大于阈值，则最大值对应窗口记录为异常位置，并将最大值位置及其相应邻域置零。
步骤104：利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标。
步骤104，具体包括：根据无人机飞行高度和相机参数计算地面采样距离；根据所述地面采样距离和所述异常位置计算影像坐标系下异常位置坐标；所述影像坐标系以影像中心为原点；根据云台航偏角和所述影像坐标系下异常位置坐标计算北东坐标系下异常位置坐标；所述北东坐标系以影像中心为原点；根据影像中心的地理坐标和所述北东坐标系下异常位置坐标计算异常位置地理坐标。
航空摄影测量算法解算异常位置地理坐标，为了简化解算，牺牲部分精度换取效率，结合农艺实际（平地要求和长势基本均匀等），将作物冠层近似看成平坦，方法如下：（1）根据飞行高度和相机参数计算出GSD；（2）计算出以影像中心为原点的影像坐标系下异常位置坐标；（3）根据云台偏航角计算出以影像中心为原点的北东地坐标系下异常位置坐标；（4）结合影像中心的地理坐标，计算出异常位置地理坐标（经纬度）。
步骤105：根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。所述农田高空垂直影像中无人机的飞行高度大于所述异常位置低空的异常信息中无人机的飞行高度。本发明中所述农田高空垂直影像中无人机的飞行高度为18m。所述异常位置低空的异常信息中无人机的飞行高度为2m。无人机根据地理坐标获取异常位置低空高精度异常信息（近看），为了允许一定的定位误差，飞行高度应使影像能够覆盖（滑动窗口边长+两倍定位误差）2面积。
如图1和图2，本发明针对水稻的一种具体实施方式如下：
1.使用大疆精灵4 RTK版本，飞行高度18m（经实验，GSD小于0.6cm/pixel比较合适，可根据监测的精细度进行调整），航向和旁向重叠率设为10%（平台允许的情况下可以降为0），云台俯仰角设为-90°垂直向下，进行2D摄影测量，获取整块稻田高空垂直影像集。
2.从获取的高空影像集中选取200个异常像素点和200个正常像素点，以像素点的RGB值作为特征，训练SVM分类器（可以训练单类SVM分类器，之后其他田块均可使用此训练好的分类器），使用分类器将每幅影像中异常像素点识别出来，从而得到二值图像集。
3.在每幅二值图像中寻找异常位置，具体方法如下：
（1）对二值图像进行中值滤波（滤波器大小可根据监测精细度进行调整），去除噪点。
（2）根据飞行高度和相机参数计算出GSD，公式如下：
（3）以1m2（根据GSD计算出边长s：）、50%重叠率的正方形滑动窗口对二值图像进行遍历，并统计出窗口内异常像素点个数，得到二维矩阵（元素位置对应窗口位置，元素值对应异常点个数）。
（4）按比例设置阈值，若窗口内异常点个数超过此阈值，则为异常窗口（即异常位置）；为寻找到最显著的异常位置并避免重复，以邻域方式对上述二维矩阵进行遍历，若邻域内最大值大于阈值，则最大值对应窗口记录为异常窗口，并将最大值位置及其邻域置零。
4.解算异常位置（即异常窗口中心点）地理坐标，为了简化解算、提高效率，允许适当定位误差的前提下采用POS（定位定向系统）获取的位姿信息进行单像解算，并结合农艺实际（平地要求平坦和长势基本均匀等），将水稻冠层近似看成平坦。如图12所示，具体解算方法如下：
（1）根据GSD计算出以影像中心O为原点的直角坐标系XOY下异常位置p坐标(x，y)：
（2）根据云台偏航角θ（从影像的POS信息中获取）计算出以影像中心O为原点的北东坐标系X'OY'下异常位置p坐标(x'，y')：
（3）结合影像中心O的地理坐标（从影像的POS信息中获取），计算出异常位置p地理坐标（经纬度）：影像中心O的地理坐标经高斯-克吕格投影得到投影坐标(xo，yo)，则异常位置p的投影坐标为(xo+ x'，yo+y')，经高斯-克吕格投影反算即可得到p的地理坐标。图12中的Y'（N）和X'（E）分别指沿正北（N）和正东（E）方向建立的坐标轴，即将非正北正东坐标系下坐标根据云台偏航角θ映射到正北正东坐标系下。
5.根据异常位置地理坐标，使用航点飞行获取2m低空高清垂直影像。
为了验证本发明的可行性和有效性，使用大疆精灵4 RTK版本无人机在中国广东省广州市增城区水稻无人农场进行实验，使用MATLAB R2020a编程实现上述算法处理。
1.稻田高空垂直影像如图3所示。
2.十折交叉验证得到的SVM分类准确率为93%；滤波（滤波器大小3´3）后的二值图像如图4所示。
3.阈值设置为1%时找到的异常位置如图4至图7所示，不同阈值对应不同异常检测灵敏度。图4至图7每幅图中的各个方框均表示找到的异常位置。
4.如图8所示，在足球场用标定板测得的平坦地面单像解算平均绝对误差为13.2cm。
5.低空（2m）高清垂直影像如图9和图10所示。对于大疆精灵4 RTK版本无人机，飞行高度大于1.6m时，可允许30cm以上的定位误差，如图11所示。飞得越高影像的空间分辨率越低，应根据具体应用选择飞行高度，要求尽量高的空间分辨率时可以尽量低飞，多拍几张，从而覆盖异常区域。
本发明还提供一种作物异常信息获取系统，包括：
获取模块，用于获取无人机传输的农田高空垂直影像。
识别模块，用于利用分类器识别所述农田高空垂直影像的异常像素点。
异常位置确定模块，用于利用图像处理算法根据所述异常像素点确定异常位置。
异常位置地理坐标确定模块，用于利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标。
控制模块，用于根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。
作为一种可选地实施方式，异常位置确定模块具体包括：
滤波单元，用于对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像。
二值图像遍历单元，用于利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数。
二维矩阵确定单元，用于根据所述窗口内异常像素点个数确定二维矩阵。
二维矩阵遍历单元，用于以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
本发明还提供一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如所述的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种作物异常信息获取方法，其特征在于，包括：
获取无人机传输的农田高空垂直影像；
利用分类器识别所述农田高空垂直影像的异常像素点；
利用图像处理算法根据所述异常像素点确定异常位置；
利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；
根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。
2.根据权利要求1所述的作物异常信息获取方法，其特征在于，利用图像处理算法根据所述异常像素点确定异常位置，具体包括：
对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像；
利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数；
根据所述窗口内异常像素点个数确定二维矩阵；
以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
3.根据权利要求1所述的作物异常信息获取方法，其特征在于，利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标，具体包括：
根据无人机飞行高度和相机参数计算地面采样距离；
根据所述地面采样距离和所述异常位置计算影像坐标系下异常位置坐标；所述影像坐标系以影像中心为原点；
根据云台航偏角和所述影像坐标系下异常位置坐标计算北东坐标系下异常位置坐标；所述北东坐标系以影像中心为原点；
根据影像中心的地理坐标和所述北东坐标系下异常位置坐标计算异常位置地理坐标。
4.根据权利要求1所述的作物异常信息获取方法，其特征在于，所述农田高空垂直影像中无人机的飞行高度大于所述异常位置低空的异常信息中无人机的飞行高度。
5.根据权利要求1所述的作物异常信息获取方法，其特征在于，所述农田高空垂直影像中无人机的飞行高度为18m。
6.根据权利要求1所述的作物异常信息获取方法，其特征在于，所述异常位置低空的异常信息中无人机的飞行高度为2m。
7.一种作物异常信息获取系统，其特征在于，包括：
获取模块，用于获取无人机传输的农田高空垂直影像；
识别模块，用于利用分类器识别所述农田高空垂直影像的异常像素点；
异常位置确定模块，用于利用图像处理算法根据所述异常像素点确定异常位置；
异常位置地理坐标确定模块，用于利用航空摄影测量算法根据所述异常位置确定异常位置地理坐标；
控制模块，用于根据所述异常位置地理坐标控制所述无人机获取异常位置低空的异常信息。
8.根据权利要求7所述的作物异常信息获取系统，其特征在于，异常位置确定模块具体包括：
滤波单元，用于对所述异常像素点的二值图像进行滤波，得到滤波后的二值图像；
二值图像遍历单元，用于利用正方形滑动窗口对所述滤波后的二值图像进行遍历，得到窗口内异常像素点个数；
二维矩阵确定单元，用于根据所述窗口内异常像素点个数确定二维矩阵；
二维矩阵遍历单元，用于以邻域方式对所述二维矩阵进行遍历，根据阈值确定异常位置。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6中任意一项所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的方法。
CN202310768387.4A 2023-06-28 2023-06-28 一种作物异常信息获取方法、系统、电子设备及介质 Active CN116543309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310768387.4A CN116543309B (zh) 2023-06-28 2023-06-28 一种作物异常信息获取方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310768387.4A CN116543309B (zh) 2023-06-28 2023-06-28 一种作物异常信息获取方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116543309A true CN116543309A (zh) 2023-08-04
CN116543309B CN116543309B (zh) 2023-10-27

Family

ID=87458073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310768387.4A Active CN116543309B (zh) 2023-06-28 2023-06-28 一种作物异常信息获取方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116543309B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106791596A (zh) * 2016-11-11 2017-05-31 韦红兰 一种利用无人机对作物进行监控的方法
CN107578447A (zh) * 2017-09-26 2018-01-12 北京师范大学 一种基于无人机影像的作物垄位置确定方法及系统
CN109117749A (zh) * 2018-07-23 2019-01-01 福建中海油应急抢维修有限责任公司 一种基于无人机巡检影像的异常目标监管方法及系统
US20190228223A1 (en) * 2018-01-25 2019-07-25 International Business Machines Corporation Identification and localization of anomalous crop health patterns
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템
WO2021007665A1 (en) * 2019-07-17 2021-01-21 Farmers Edge Inc. Automatic crop classification system and method
CN113378701A (zh) * 2021-06-08 2021-09-10 华南理工大学 一种基于无人机的地面多agv状态监测方法
WO2022094854A1 (zh) * 2020-11-05 2022-05-12 深圳市大疆创新科技有限公司 农作物的生长监测方法、设备及存储介质
CN114820417A (zh) * 2021-01-29 2022-07-29 深圳市万普拉斯科技有限公司 图像异常检测方法、装置、终端设备和可读存储介质
CN114936971A (zh) * 2022-06-08 2022-08-23 浙江理工大学 一种面向水域的无人机遥感多光谱图像拼接方法及系统
CN115661689A (zh) * 2022-10-18 2023-01-31 福建省经纬数字科技有限公司 赤潮区域确定方法、存储介质和电子设备
CN116309625A (zh) * 2022-11-11 2023-06-23 句容市乡土树种研究所 适用于智慧农业的数据处理方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106791596A (zh) * 2016-11-11 2017-05-31 韦红兰 一种利用无人机对作物进行监控的方法
CN107578447A (zh) * 2017-09-26 2018-01-12 北京师范大学 一种基于无人机影像的作物垄位置确定方法及系统
US20190228223A1 (en) * 2018-01-25 2019-07-25 International Business Machines Corporation Identification and localization of anomalous crop health patterns
CN109117749A (zh) * 2018-07-23 2019-01-01 福建中海油应急抢维修有限责任公司 一种基于无人机巡检影像的异常目标监管方法及系统
WO2021007665A1 (en) * 2019-07-17 2021-01-21 Farmers Edge Inc. Automatic crop classification system and method
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템
WO2022094854A1 (zh) * 2020-11-05 2022-05-12 深圳市大疆创新科技有限公司 农作物的生长监测方法、设备及存储介质
CN114820417A (zh) * 2021-01-29 2022-07-29 深圳市万普拉斯科技有限公司 图像异常检测方法、装置、终端设备和可读存储介质
CN113378701A (zh) * 2021-06-08 2021-09-10 华南理工大学 一种基于无人机的地面多agv状态监测方法
CN114936971A (zh) * 2022-06-08 2022-08-23 浙江理工大学 一种面向水域的无人机遥感多光谱图像拼接方法及系统
CN115661689A (zh) * 2022-10-18 2023-01-31 福建省经纬数字科技有限公司 赤潮区域确定方法、存储介质和电子设备
CN116309625A (zh) * 2022-11-11 2023-06-23 句容市乡土树种研究所 适用于智慧农业的数据处理方法

Also Published As

Publication number Publication date
CN116543309B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Potena et al. AgriColMap: Aerial-ground collaborative 3D mapping for precision farming
WO2022094854A1 (zh) 农作物的生长监测方法、设备及存储介质
US20200146203A1 (en) Geographic coordinate based setting adjustment for agricultural implements
CN108881825A (zh) 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法
JP6836385B2 (ja) 位置特定装置、位置特定方法およびプログラム
CN109255302A (zh) 目标物识别方法及终端、移动装置控制方法及终端
CN111225855A (zh) 无人机
CN110718137A (zh) 目标物密度分布地图的构建方法及装置、终端、移动装置
Liu et al. Development of a positioning system using UAV-based computer vision for an airboat navigation in paddy field
US20230306735A1 (en) Agricultural analysis robotic systems and methods thereof
CN109271862A (zh) 基于移动装置的喷洒控制方法及终端、移动装置
CN113013781B (zh) 基于图像处理的激光发射及动态校准装置、方法、设备和介质
CN110081873A (zh) 区域打点识别方法和农机打点识别系统
CN108007437B (zh) 一种基于多旋翼飞行器测量农田边界与内部障碍的方法
Vanegas et al. Multi and hyperspectral UAV remote sensing: Grapevine phylloxera detection in vineyards
US20220101557A1 (en) Calibration of autonomous farming vehicle image acquisition system
CN116543309B (zh) 一种作物异常信息获取方法、系统、电子设备及介质
CN115373416B (zh) 一种铁路电力贯通线智能巡检方法
CN114830911B (zh) 智能除草方法、装置和存储介质
Manish et al. Agbug: Agricultural robotic platform for in-row and under canopy crop monitoring and assessment
CN208013789U (zh) 一种无人机随动起降系统
Fleischmann et al. Detection of field structures for agricultural vehicle guidance
CN111783726A (zh) 基于人工智能和bim的放牧牲畜离群视频采集方法
WO2023120183A1 (ja) 農業機械
CN108445916A (zh) 一种无人机随动起降系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant